理解贝叶斯定理

条件几率

先要从条件几率讲起，条件几率，通常记做P(A|B)，意思是当B事件发生时，A事件发生的几率。其定义为

$$ P(A|B)=\frac{P(A\cap B)}{P(B)} $$

其中 $P(A \cap B)$ 意思是A和B共同发生的几率，称为联合几率。也能够写做 P(A,B) 或 P(AB)。
注意，定义中A与B之间不必定有因果或者时间序列关系。

条件几率的这个定义如何理解呢？

1.样本空间
回顾一下，样本空间是一个实验或随机试验全部可能结果的集合。例如，抛掷一枚硬币，那么样本空间就是集合{正面，反面}。若是投掷一个骰子，那么样本空间就是 {1,2,3,4,5,6}。样本空间的任何一个子集都被称为一个事件。
因此，当咱们一般说某个事件的几率时，实际上是默认省略了该事件的样本空间。好比说事件A的几率是P(A)，实际上是指，在样本空间 Ω 中，事件A的数量占Ω的比率，记做P(A)。好比说骰子掷出3点的几率是1/6，实际上是说，在掷骰子全部可能结果的集合中（样本空间）中，出现事件”3点“（子集）的比率是1/6。也就是 size{3} / size{1,2,3,4,5,6} = 1/6。

2.条件意味着缩小的样本空间，是二级几率
一般说几率P(A)是针对样本空间 Ω 来讲的，而条件几率中的条件，好比P(A|B)，意思是事件B发生的状况下，所以非B的样本空间被这个条件排除掉了，因此这时P(A|B)已经不是针对 样本空间 Ω 了，而是针对缩小的样本空降 B。

结合上图来理解。原来样本空间是 Ω，事件B发生，意味着样本空间缩小到B的范围，即上图黄色椭圆范围内。同时事件A也发生，也就是上图中 A∩B 蓝色部分，蓝色部分对黄色椭圆的占比，就是条件几率 P(A|B)。能够写做

$$ P(A|B)=\frac{size\{A∩B\}}{size\{B\}} \quad(1) $$

若是考虑到

$$ P(A∩B) = \frac{size\{A∩B\}}{size\{\Omega\}} \\ P(B) = \frac{size\{B\}}{size\{\Omega\}} $$

因此

$$ P(A|B)=\frac{P(A\cap B)}{P(B)} \quad(2) $$

公式(2)就是一般条件几率的定义。要注意的是，若是用公式(1)，就是要穷举事件（集合）"A∩B"和"B"的全部状况。若是用公式(2)，要注意P(A∩B)和P(B)都是相对整个样本空间 Ω 来计算其几率P的。

贝叶斯定理

从条件几率出发很容易推导出贝叶斯定理。

$$ P(A|B)=\frac{P(A\cap B)}{P(B)} \quad(3)\\ P(B|A)=\frac{P(A\cap B)}{P(A)} \quad(4) \\ \frac{P(A|B)}{P(B|A)}=\frac{P(A)}{P(B)} \quad(5) \\ P(A|B) = \frac{P(B|A)P(A)}{P(B)} \quad(6) $$

公式(5)能够理解为 条件几率的比值 = 先验几率的比值 = 椭圆A / 椭圆B。（先验几率指P(A)和P(B)，因为不涉及其它条件，即P(A)与B无关，P(B)与A无关，因此称为先验。条件几率在这里又称为后验几率，由于P(A|B)意味着已知B事件发生以后，P(B|A)意味着已知A事件发生以后）。

公式(6)就是一般贝叶斯定理的形式。

例题

来自维基百科 - 贝叶斯定理

1.种子检测
假设100%的不良种子都表现A性状，不良种子占全部种子的比例是十万分之一，全部种子中有1/3表现A性状。问一颗A性状的种子是不良种子的几率是多少？

样本空间：全部种子
事件A：种子表现为A形状
事件Bad：是不良种子

根据已知条件
P(A|Bad) = 1 // 不良种子都表现A性状
P(Bad) = 1/10万 // 不良种子占全部种子的比例是十万分之一
P(A) = 1/3 // 全部种子中有1/3表现A性状

求P(Bad|A) // A性状的种子是不良种子的几率
P(Bad|A) = P(Bad) / P(A) P(A|Bad) = (1/10万) / (1/3) 1 = 3/10万

所谓P(Bad|A) ，就是在A的范围内，Bad的占比是多少。对照上面示意图来讲，就是 蓝色矩形面积 / 红框部分面积。

2.吸毒者检测
假设吸毒者每次检测呈阳性（+）的几率为99%。而不吸毒者每次检测呈阴性（-）的几率为99%。某公司雇员有0.5%的吸毒。问检测阳性（+）时，该雇员吸毒的几率是多少？

样本空间：公司全部雇员
事件+：检测结果阳性
事件D：雇员为吸毒者
事件N：雇员为非吸毒者

根据已知条件
P(+|D) = 0.99 // 吸毒者每次检测呈阳性（+）的几率为99%
不吸毒者每次检测呈阴性（-）的几率为99%，那么检测呈阳性的几率是 1-99%=1%，即
P(+|N) = 0.01
P(D) = 0.005 // 公司雇员有0.5%的吸毒
P(N) = 0.995 // 另外99.5%的雇员不吸毒

求P(D|+) // 检测阳性（+）时，该雇员吸毒的几率是多少
P(D|+) = P(D) / P(+) * P(+|D) （公式7）

其中 P(+) 还须要计算，应用全几率公式，再用贝叶斯公式：
P(+) = P(+∩D) + P(+∩N) = P(+|D) P(D) + P(+|N) P(N)
= 0.99 0.005 + 0.01 0.995 = 0.0149

代入公式得
P(D|+) = P(D) / P(+) P(+|D) = 0.005 / 0.0149 0.99 = 0.3322 = 33.22%
即检测呈阳性时，只有33.22%的几率为吸毒者。

所谓P(D|+) ，就是在检测阳性(+)的范围内，吸毒者D的占比是多少。对照上面示意图来讲，就是 蓝色矩形面积 / 红框部分面积。

贝叶斯定理的其它表示

上面吸毒者检测案例中，其实已经获得了贝叶斯公式的另外一种表示形式。将P(+)的公式带入公式(7)：
P(D|+) = P(D) / P(+) P(+|D) = P(D) P(+|D) / ( P(+|D) P(D) + P(+|N) P(N) )
将D、+换成经常使用的符号A、B，即

$$ P(A|B) = \frac{P(B|A) P(A)} { P(B|A) P(A) + P(B|\bar A) P(\bar A) } $$

其中 $\bar A$ 是A的补集，即"非A"。

在更通常化的状况，假设$\{A_i\}$是事件集合里的部分集合，对于任意的$A_i$，贝叶斯定理可用下式表示：

$$ P(A_i|B) = \frac{P(B|A_i) P(A_i)} { \sum_j P(B|A_j) P(A_j) } \quad (8) $$

上面吸毒者检测能够直接用公式(8)计算。

参考

维基百科 - 条件几率
维基百科 - 样本空间
维基百科 - 贝叶斯定理